训练遥控汽车自动驾驶
只需几百美元、一些常用工具和一点耐心，您就可以训练一辆遥控车自动驾驶。这是一个视频，向您展示如何做到这一点。
Created on July 13|Last edited on July 13
Comment
但所有这些都有一个明显的问题：他们不涉及将某人的客厅变成赛道。谢天谢地，这个问题现在已经解决了。
是的，那是我们的同事 Armand du Parc Locmaria 为了训练赛车自动驾驶而牺牲了客厅。
我们将在接下来的几周内发布有关该项目的更多技术性文章，但我们想先分享此视频，当然还有数据集和代码，以防您希望对该项目进行测试开车（对不起）。
在此期间，我们认为还有两件事应该聊聊。首先，训练自己的汽车的一般策略，其次，Armand 在训练期间的一个小发现，如果你决定自己尝试，它可能会帮助你解决问题。
那么：你如何训练玩具车自动驾驶？ Armand 考虑了一对不同的策略。第一个是在开着摄像头的情况下驾驶汽车，并使用他的驾驶作为训练数据。换句话说，尽量让汽车表现得像他在控制时一样（即模仿学习）。但他为他的训练技巧选择了一个更简单、更优雅的解决方案：从汽车的摄像头拍摄图像并注释轨道的中心。这辆车唯一真正的目标是不断地将自己定位在赛道的中心，远离沙发和墙壁等麻烦的物体。
一开始，这辆车是自动驾驶的，但它的驾驶性能相当差。 “它确实撞到了很多墙，”Armand 是这样说的。在某种程度上，这是意料之中的。毕竟，模型需要多次迭代和重新训练。但是当他查看 W&B 仪表板并开始检查模型的预测时，他发现模型的表现并不差。它确实在识别轨道中心方面做得很好。在这个阶段，问题不在于他的代码或他的模型。而是硬件。
看，这辆车中的 GPU 并不是你用来训练 BERT 的那种机器（如果你看过视频，你就会看到他在用什么）。问题是他训练的神经网络层数太多，相机的帧率太高。实际上，这意味着即使他的模型做出了正确的预测，汽车的反应也不够快。从本质上讲，这辆车被太多的图像窒息了。
发现这个问题是一种解脱。这意味着他的方法广泛有效，此外，他不必收集或注释任何额外的训练数据。他降低了帧速率并在他的神经网络中移除了几层，汽车的性能得到了显着提高。但这是一个很好的提醒，为什么您对模型行为的了解越多，它的可解释性和可调试性越强，您的项目就会变得越好。
感谢您的观看，我们很快就会推出对这个项目进行更技术性的观察！
Add a comment
Iterate on AI agents and models faster. Try Weights & Biases today.